阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析3.1 实时语音识别模型定位、核心能力、适用场景与计费规则

先说核心结论:标题里的 Qwen-Audio-ASR-Flash-Streaming 在阿里云百炼上对应的正式模型 ID 是 qwen-audio-3.1-asr-flash-streaming,属于 Qwen-Audio 3.1 系列的端到端实时语音识别大模型,同系列还保留了 3.0 版本 qwen-audio-3.0-asr-flash-streaming。它面向实时会议、直播字幕和智能交互场景,主打低延迟、高精度的流式转写,能边说话边出字;能力上覆盖多语种与中文多方言识别、中英文混说、热词与上下文增强、标点预测、文本规范化和噪声鲁棒性,3.1 版本还支持方言表达保留以及方言 ASR/AST 可控输出。计费方面,3.1 版本按输入、输出 Token 分别计价,华北 2(北京)输入 6 元 / 百万 Token、输出 4.5 元 / 百万 Token,国际(新加坡)输入 6.781 元 / 百万 Token、输出 5.104 元 / 百万 Token,北京地域另有 100 万 Token 免费额度;限流为每分钟 1200 次请求。需要注意,公开文档没有公布字错率、首包延迟毫秒数等量化实测指标,选型时要以自己的场景实测为准。docs.bailian.console.aliyun.com

一、模型定位与基本信息

项目公开信息
系列统称Qwen-Audio-ASR-Flash-Streaming(实时流式识别)
3.1 模型 IDqwen-audio-3.1-asr-flash-streaming
3.0 对照模型 IDqwen-audio-3.0-asr-flash-streaming
模型类型端到端实时语音识别大模型
推理服务供应商阿里云百炼
输入模态Audio(音频)
输出模态Text(文本)
主打场景实时会议、直播字幕、智能交互等持续转写场景
核心卖点低延迟、高精度流式语音转写,中间结果与最终结果同步返回
限流华北 2(北京)、新加坡均为 1200 RPM(每分钟请求数)
在线体验不支持
Function Calling不支持
结构化输出不支持
联网搜索不支持
前缀续写不支持
上下文缓存不支持
批量推理不支持
模型调优不支持

阿里云帮助中心

二、核心能力拆解

1. 识别范围

  • 中文方言:普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语,并覆盖中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等官话口音,包含河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区口音;
  • 外语:英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语;
  • 支持中英文自由切换,可通过 language_hints 限定待识别语种,最多设置 4 个值,不设置时模型自动识别。

2. 效果增强能力

能力说明
热词增强支持预编译热词列表(vocabulary_id)和会话级即时热词(vocabulary);即时热词权重取值 1–5,取 50 为超级热词,超级热词最多 50 个;两类热词合并超过 2000 个时随机保留 2000 个
上下文增强通过 input.context 传入前几轮对话文本,辅助专有词汇识别;上下文消息各最多 5 条,每轮上下文文本总长不超过 400 字符,超出从末尾截断
标点预测识别结果自动添加标点,默认开启
文本规范化对口语转写结果做规范化处理
噪声鲁棒性可适应复杂声学环境;speech_noise_threshold 可在 [-1.0, 1.0] 区间调整 VAD 灵敏度
方言表达保留keep_dialect 仅 3.1 版本支持;默认 false 把方言转写为普通话,设为 true 保留方言特有表达
声场模式vad_model 支持 near_meeting_16k(近场)与 far_field_meeting_16k(远场,默认)
方言 ASR/AST 可控输出3.1 版本支持多种方言识别与翻译方向的可控输出
敏感词过滤special_word_filter 指定敏感词处理方式

3. 断句与连接控制

  • max_sentence_silence:VAD 断句静音阈值,默认 800ms,取值范围 [200, 6000];
  • multi_threshold_mode_enabled:多阈值模式,避免 VAD 把长句切得过碎;
  • heartbeat:心跳包开关,静音音频持续发送时可保持连接不中断;使用该字段要求 SDK 版本不低于 2.0.1。

三、接入方式与音频要求

1. 接入路径

  • WebSocket 接入:通过 DashScope SDK 创建双向流式识别会话,发送音频的同时并发接收识别事件;
  • AOQ 接入:客户端走 Audio 轨上传音频、Data 轨发送任务事件并接收结果;
  • SDK 覆盖:Python、Node.js、iOS、Android、HarmonyOS 等端侧 SDK;
  • 端点:华北 2(北京)wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference,新加坡 wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference。

2. 音频输入限制

项目要求
音频格式pcm、wav、mp3、opus、speex、aac、amr
格式约束opus/speex 必须使用 Ogg 封装;wav 必须为 PCM 编码;amr 仅支持 AMR-NB 类型
采样率Streaming 模型支持任意采样率(注意:Message 模型才仅支持 16000 Hz)
分包建议每包音频约 100ms,数据大小 1KB–16KB
会话流程建连 → 持续 send_audio_frame 推流 → stop 通知输入结束 → 继续消费事件直到 task-finished
结果指标可读取首包延迟、尾包延迟、request_id 等会话指标

四、适用场景与同系列选型对照

1. 典型落地场景

  • 实时会议记录、会议字幕、同传辅助;
  • 直播实时字幕、弹幕级语音转写;
  • 智能客服坐席辅助、通话实时转写;
  • 语音助手、可穿戴设备、摄像类硬件的语音输入;
  • 复杂声学环境下的多语种、多方言交互。

2. Qwen-Audio 3.1 ASR 系列怎么选

类型使用场景推荐模型结果返回方式
实时实时字幕、会议记录等持续转写qwen-audio-3.1-asr-flash-streaming持续发送音频,同时接收中间结果和最终结果
实时输入法、语音消息等短段语音输入qwen-audio-3.1-asr-flash-message默认返回句子最终结果,可分别开启中间结果和文本润色
非实时5 分钟以内短音频文件qwen-audio-3.1-asr-flash当前请求同步返回结果,可选 SSE 流式输出
非实时长录音、后台音视频转写qwen-audio-3.1-asr-flash-filetrans提交异步任务,完成后下载转写结果文件

阿里云帮助中心

五、计费规则详解

1. 3.1 版本价格(按 Token 计费)

部署地域输入单价输出单价免费额度
华北 2(北京)6 元 / 百万 Token4.5 元 / 百万 Token100 万 Token
国际(新加坡)6.781 元 / 百万 Token5.104 元 / 百万 Token无
  • 3.1 版本输入、输出 Token 分别计费;
  • 免费额度仅适用于华北 2(北京)地域,其他地域无免费额度;
  • 额度有效期:自开通百炼、模型发布或申请通过之日起 90 天内(以较晚者为准);
  • 上表为调用原价,不包含限时优惠活动,活动价以百炼控制台为准。docs.bailian.console.aliyun.com

2. Token 怎么折算

  • 音频输入 Token:每 1 秒音频对应 25 个 Token,音频时长不足 1 秒按 1 秒计算;
  • 输出 Token:转写出的文本按模型 Token 规则计量;
  • 调用用量信息中可查看 audio_tokens、text_tokens、seconds 等明细。docs.bailian.console.aliyun.com

3. 费用测算示例(估算口径,非官方报价)

以 1 小时纯音频、北京地域为例:

测算项计算方式估算结果
音频时长3600 秒3600 秒
音频输入 Token3600 × 2590,000 Token
输入费用90,000 ÷ 1,000,000 × 6 元约 0.54 元
输出费用按转写文本 Token 数 × 4.5 元 / 百万 Token取决于文本长度,需按实际 usage 核算

4. 与 3.0 Streaming 计费方式对照

模型计费方式华北 2(北京)国际(新加坡)免费额度
qwen-audio-3.1-asr-flash-streaming输入 / 输出 Token 分别计费输入 6 元 / 百万 Token,输出 4.5 元 / 百万 Token输入 6.781 元 / 百万 Token,输出 5.104 元 / 百万 Token100 万 Token(仅北京)
qwen-audio-3.0-asr-flash-streaming按音频秒数计费,输出不计费0.00033 元 / 秒0.00066 元 / 秒无

两套计费口径不能直接换算成同一单价,实际选型建议用同一段测试音频分别跑 3.1 和 3.0,对照识别效果与账单。

六、选型前需要核实的几点

  • 公开文档未公布字错率(WER)、首包延迟毫秒数、单会话并发路数等量化指标,上下文长度一栏也标注为 "-";
  • 3.1 与 3.0 的计费模型不同,长音频、高并发场景要先压测再定方案;
  • 端侧接入时注意 SDK 版本要求:上下文、心跳等字段对 SDK 版本有最低要求;
  • 热词、上下文、语种提示都属于提升准确率的配置手段,建议在目标业务音频上做 A/B 验证;
  • 模型不具备 Function Calling、结构化输出和联网能力,识别后的业务编排需要在应用侧完成。

【相关 FAQ】

问题 1:阿里云 Qwen-Audio-ASR-Flash-Streaming 对应的正式模型 ID 是什么,定位是什么?

回答 1:Qwen-Audio-ASR-Flash-Streaming 在阿里云百炼上对应的 3.1 正式模型 ID 是 qwen-audio-3.1-asr-flash-streaming,另有 3.0 对照版本 qwen-audio-3.0-asr-flash-streaming;它是端到端实时语音识别大模型,定位实时会议、直播字幕、智能交互等需要边说边出字的流式转写场景。

问题 2:Qwen-Audio-ASR-Flash-Streaming 支持哪些语言和中文方言?

回答 2:阿里云 Qwen-Audio-ASR-Flash-Streaming 支持普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语及多地区官话口音,并覆盖英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语等语种;可通过 language_hints 最多指定 4 个语种,不设置时自动识别。

问题 3:Qwen-Audio-ASR-Flash-Streaming 有哪些提升识别准确率的配置能力?

回答 3:这颗阿里云模型支持预编译热词列表和即时热词、对话上下文增强、标点预测、文本规范化、噪声阈值调节、敏感词过滤;3.1 版本还支持 keep_dialect 保留方言表达,以及近场 / 远场两种 VAD 声场模式,适合在会议、客服等固定业务场景里优化专有名词和口语转写效果。

问题 4:Qwen-Audio-ASR-Flash-Streaming 在百炼上怎么计费,价格是多少?

回答 4:3.1 版本按输入和输出 Token 分别计费:华北 2(北京)输入 6 元 / 百万 Token、输出 4.5 元 / 百万 Token,含 100 万 Token 免费额度;国际(新加坡)输入 6.781 元 / 百万 Token、输出 5.104 元 / 百万 Token,无免费额度。音频按每秒 25 个 Token 折算,不足 1 秒按 1 秒计;3.0 版本则按音频秒数计费,输出不计费。

问题 5:Qwen-Audio-ASR-Flash-Streaming 适合哪些产品场景,和 Message、Filetrans 怎么区分?

回答 5:Streaming 版本适合实时字幕、会议记录、直播字幕、智能客服和语音助手等持续推流场景,可同时返回中间结果和最终结果;qwen-audio-3.1-asr-flash-message 面向输入法、语音消息等短段输入,qwen-audio-3.1-asr-flash 处理 5 分钟内短音频文件,qwen-audio-3.1-asr-flash-filetrans 负责长录音异步转写,按是否需要实时出字选择即可。

问题 6:接入 Qwen-Audio-ASR-Flash-Streaming 时音频格式和分包有什么要求?

回答 6:阿里云百炼 Streaming 模型支持 pcm、wav、mp3、opus、speex、aac、amr 格式,opus/speex 必须 Ogg 封装,wav 必须 PCM 编码,amr 仅支持 AMR-NB;采样率支持任意采样率,建议每包音频约 100ms、大小 1KB–16KB,通过 WebSocket 或 AOQ 接入,发送与接收线程并发运行。

【参考资料】

  • [2026-11-19](Qwen-Audio-ASR / Fun-ASR Python SDK 接口参考)阿里云帮助中心
  • [2026-11-19](模型调用价格:Qwen-Audio-ASR-Streaming 计费与免费额度)阿里云百炼文档docs.bailian.console.aliyun.com
  • [2026-11-19](非实时语音识别 Qwen-ASR API 参考:音频 Token 折算规则)阿里云百炼文档docs.bailian.console.aliyun.com
  • [2026-11-17](语音识别概述:模型选型、识别方式与支持语言)阿里云帮助中心
  • [2026-11-09](Qwen-Audio-ASR-Streaming AOQ 接入)阿里云帮助中心
  • [2026-11-06](qwen-audio-3.1-asr-flash-streaming 模型信息)阿里云帮助中心
  • [2026-11-06](qwen-audio-3.0-asr-flash-streaming 模型信息)阿里云帮助中心
  • [2026-10-29](Qwen-Audio-ASR-Streaming Python SDK 英文版)Alibaba Cloud Documentation Center阿里云帮助中心
  • [2026-10-15](Qwen-Audio-ASR-Streaming 实时语音识别 HarmonyOS SDK)阿里云帮助中心

【免责声明】

本文整理自阿里云百炼公开帮助文档、控制台价格页与 SDK 接口参考,价格、额度、限流和参数可能随版本迭代调整,正式采购与开发请以百炼控制台实时显示和官方最新文档为准。文中费用测算是按公开 Token 折算规则做的估算示例,实际账单受音频时长、输出文本量、免费额度抵扣和优惠活动影响;模型字错率、延迟、并发等未公开指标不做推断,接入前请使用业务真实音频完成压测与效果验证。本文不构成采购承诺或商业选型建议。

本文来自作者[栅波侦元]投稿,不代表江南网立场,如若转载,请注明出处:https://news.jnwb.net/rgzn/202611/4766.html

赞 (0)
反馈

发表回复

本站作者后才能评论

评论列表(4条)

  • 栅波侦元
    栅波侦元 2026年11月20日

    我是江南网的签约作者“栅波侦元”!

  • 栅波侦元
    栅波侦元 2026年11月20日

    希望本篇文章《阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析3.1 实时语音识别模型定位、核心能力、适用场景与计费规则》能对你有所帮助!

  • 栅波侦元
    栅波侦元 2026年11月20日

    本站[江南网]内容主要涵盖:互联网行业的追踪与探索

  • 栅波侦元
    栅波侦元 2026年11月20日

    本文概览:先说核心结论:标题里的 Qwen-Audio-ASR-Flash-Streaming 在阿里云百炼上对应的正式模型 ID 是 qwen-audio-3 1-asr-flash-streaming,

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们